Funktion

Sprechendes Foto: Lippensync-Video aus einem Porträt

Gib Rigel ein Porträt und ein Skript, und es generiert ein sprechendes Video mit realistischem Lippensync – die Person auf dem Foto scheint deine Worte zu sprechen, mit einer Mimik, die dem Vortrag folgt.

Aktualisiert · Rigel von Kata Technology

Talking-Head-Videos sind das am häufigsten wiederverwendete Format auf Social Media, und normalerweise brauchen sie eine Kamera, ein Setup und ein Budget für Wiederholungen. Ein sprechendes Foto braucht ein Porträt und einen Satz, der gesagt werden soll.

So funktioniert es

  1. Lade ein Porträt hoch. Nach vorn gerichtet, scharf, Mund und Kiefer gut sichtbar.
  2. Füge dein Skript hinzu. Tippe, was gesagt werden soll, im selben Schritt, in dem du die Szene beschreibst.
  3. Generieren. Rigel erstellt einen Clip von 5–30 Sekunden mit Lippensync, Mimik und Kopfbewegungen, die dem Vortrag folgen.

Die Szene beschreiben und vor dem Generieren ein Skript hinzufügen

Das Ergebnis wird im Hoch- oder Quadratformat in deiner Kamerarolle gespeichert und geht so ohne Umweg zu Reels, Shorts, TikTok oder Stories.

Ein Skript, das ankommt

  • Schreib fürs Ohr, nicht fürs Papier. Kurze Satzteile. Umgangssprache. Ein Gedanke pro Satz.
  • Stell den Hook an den Anfang. Social-Media-Zuschauer entscheiden in den ersten anderthalb Sekunden; der stärkste Satz sollte der erste sein.
  • Bleib in der Clip-Länge. Etwa 15–70 Wörter passen bei natürlichem Tempo in eine Generierung von 5–30 Sekunden. Mehr hineinzustopfen macht den Vortrag hektisch und den Lippensync weniger nachsichtig.
  • Gib im Szenen-Prompt Regieanweisungen. „Ruhig, wenig Energie, leichtes Lächeln, spricht in die Kamera“ verändert die Darbietung, nicht nur die Worte.

Was ein gutes Ausgangsporträt ausmacht

Der wichtigste Qualitätshebel ist das Foto. Das Gesicht ausreichend groß im Bild, gleichmäßiges Licht darauf, der Mund frei, der Kopf ungefähr zur Kamera gerichtet. Profilaufnahmen, Sonnenbrillen, Hände in Mundnähe, harte Schatten über dem Kiefer und niedrig aufgelöste Ausschnitte sind die wiederkehrenden Ursachen für schwache Mundformen.

Ist deine beste Quelle ein Live Photo statt eines flachen Standbilds, zeigt Live Photo zu Video diesen Weg. Den allgemeinen Workflow vom Standbild zum Clip findest du auf der Seite zu Foto zu Video.

Wofür du es nutzen kannst

  • Creator-Content – eine Woche Talking-Head-Posts aus einem einzigen Fotoshooting, ohne neu zu drehen.
  • Erzählstimme für Figuren – gib einer fiktiven Figur eine Stimme über eine ganze Serie hinweg.
  • Produkt- und Anzeigenvarianten – teste fünf verschiedene Hooks mit derselben Person vor der Kamera und sieh, welcher die Aufmerksamkeit hält.
  • Erklärvideos – eine kurze gesprochene Antwort mit Gesicht, die auf Social Media durchweg besser ankommt als Text.

Für längere Stücke generierst du mehrere Sprechszenen und fügst sie zusammen, wie unter lange KI-Videos beschrieben.

Ehrliche Grenzen

Lippensync ist bei dieser Modellgeneration gut, nicht perfekt. Schnelles Sprechen, starke Akzente, extreme Winkel und sehr kurze Vokale sind die Stellen, an denen es auffällt. Feine Details an den Zähnen können bei engen Ausschnitten weich werden. Die praktische Lösung ist dieselbe wie bei einer echten Produktion: den besseren Take nehmen, den Satz kürzen und ein saubereres Bild drehen – in diesem Fall: auswählen.

Und die Regel, die nicht technisch ist: Lade nur Gesichter hoch, die du verwenden darfst. Ein sprechendes Foto von jemandem, der nie zugestimmt hat, diese Worte zu sagen, ist der Missbrauchsfall dieser Funktion, und kein Prompt macht das akzeptabel.

Loslegen

Rigel ist auf iOS 16.6+ und Android kostenlos herunterzuladen, mit Startguthaben, dein erstes sprechendes Foto kostet also nichts. Credit-Pakete und ein Abo gibt es in der App; jede Generierung zeigt vor der Bestätigung ihre Credit-Kosten an.

Häufig gestellte Fragen

Was brauche ich, um ein Foto sprechen zu lassen?
Ein Porträt, auf dem das Gesicht klar zu sehen und nach vorn gerichtet ist, plus die Worte, die gesprochen werden sollen. Das Skript fügst du im selben Schritt hinzu, in dem du die Szene beschreibst, dann generierst du.
Wie lang darf das Skript sein?
So lang, wie in einen Clip von 5–30 Sekunden passt – etwa 15 bis 70 Wörter bei natürlichem Sprechtempo. Längere Botschaften funktionieren besser, auf mehrere Szenen aufgeteilt.
Funktioniert es auch in anderen Sprachen als Englisch?
Die Sprachabdeckung des Lippensyncs wird nach und nach erweitert. Englisch ist heute die sicherste Wahl; wenn deine Sprache schwache Mundformen ergibt, helfen meist kürzere Sätze und ein langsameres Tempo.
Darf ich das Foto einer anderen Person verwenden?
Nur mit ihrer Erlaubnis. Jemanden Dinge sagen zu lassen, die er nie gesagt hat, ist der offensichtliche Missbrauch dieser Funktion, und es liegt an dir, die Einwilligung für das Gesicht zu haben, das du hochlädst.
Warum sieht der Mund manchmal falsch aus?
Meist liegt es am Ausgangsfoto. Profilansichten, teilweise verdeckte Münder, starke Schatten auf der unteren Gesichtshälfte, Sonnenbrillen und sehr kleine Gesichter verringern die Informationen, mit denen das Modell arbeiten kann.